甲基化生物信息学分析及批次效应校正全流程

甲基化生物信息学分析及批次效应校正全流程

1. 绪论：甲基化数据批次效应的本质与挑战

DNA甲基化是表观遗传修饰的核心机制之一，在基因表达调控、细胞分化、衰老及肿瘤发生中起关键作用。随着Illumina HumanMethylation BeadChip芯片（450K、850K/EPIC、EPIC v2.0）及酶学转化、纳米孔测序技术的普及，甲基化数据呈指数级增长。然而，批次效应——由实验日期、试剂批次、操作人员、芯片版本或扫描仪差异引起的系统性技术变异——已成为限制数据整合与跨研究比较的主要瓶颈。

甲基化数据的特殊性在于其度量单位：β值（甲基化信号强度/总信号强度）介于0~1之间，呈异方差性，在低甲基化（β≈0）和高甲基化（β≈1）区域方差趋近于零；M值（log2转换后的比值）虽近似正态分布，但会放大低信号区域的噪声。这种数据特性使得直接套用针对基因表达芯片的ComBat或针对RNA-seq的ComBat-seq均非最优解。2025年新发表的ComBat-met框架，通过Beta回归直接对β值建模，在统计功效和假阳性控制上显著优于传统流程。此外，针对公共数据整合中原始IDAT文件缺失、无法获取控制探针的痛点，GMQN（高斯混合分位数归一化）仅需甲基化/非甲基化信号矩阵即可完成跨芯片标准化。而对于“新增批次不改动旧数据”的纵向研究场景，iComBat提供了增量式校正框架。

本教程将围绕甲基化芯片数据（